seven789/Chinese-medical-dialogue

该数据集是一个中文医患对话数据集，来源于Chinese-medical-dialogue-data项目，包含单轮医患对话内容。数据涵盖多个医疗科室，如心血管科和内分泌科，对话涉及高血压、糖尿病等常见疾病的咨询和回答。原始数据以CSV格式存储，包含部门、标题、询问和回答等列，展示了患者提问和医生回答的实际对话示例。数据集经过处理，可转换为JSON格式，用于指令微调等自然语言处理任务，支持医疗问答系统的开发和训练。

This dataset is a Chinese medical dialogue dataset sourced from the Chinese-medical-dialogue-data project, containing single-turn doctor-patient conversations. It covers multiple medical departments such as cardiovascular and endocrinology, with dialogues involving consultations and responses on common diseases like hypertension and diabetes. The raw data is stored in CSV format, including columns for department, title, ask (patients question), and answer (doctors response), providing real-world examples of patient inquiries and medical advice. The dataset is processed into a JSON format suitable for natural language processing tasks like instruction tuning, supporting the development and training of medical question-answering systems.

搜集汇总

数据集介绍

构建方式

该数据集源自Toyhom维护的Chinese-medical-dialogue-data项目，经过系统清洗与格式化处理构建而成。原始数据以CSV格式存储，包含心血管科、内分泌科等科室的医患对话记录，每一条样本涵盖科室、标题、患者提问与医生回答四类字段。处理流程将所有样本统一转换为标准JSON结构化格式，保留“instruction”为标题，“input”为患者问题，“output”为医生回复，并设置“history”字段为空以适配单轮对话场景。最终形成的语料库包含高达799,743条样例，原始CSV文件体积约356 MB，充分覆盖常见病症咨询场景，兼具规模性与领域代表性。

特点

数据集以单轮医患问答为核心形态，聚焦中文医疗领域的真实交互场景。每条样本均包含明确的科室归属与主题标题，便于按专科类别进行语义检索与模型微调。数据特点在于保留了医学问答中术语丰富、语气严谨的对话风格，医生回答内容涵盖病理分析、用药指导与生活方式建议，具有较高的知识密度。同时，数据经过精心去重与规范化处理，消除了原始口语中的无关噪声，使得模型能够更精准地学习疾病与诊疗方案之间的对应关系。整体而言，该数据集在规模、真实性与结构化程度上均具备显著优势。

使用方法

用户可借助该数据集训练或微调中文医疗领域的对话式语言模型。处理后的JSON格式方便直接读入，通常将“instruction”字段作为任务指令，“input”字段为模型输入，“output”字段作为目标输出进行监督学习。推荐使用诸如Transformers库中的Seq2Seq训练流程，并依据科室标签进行分领域微调以提升专科回答的准确率。此外，数据集也可用于构建医疗问答系统的检索增强生成（RAG）模块，将原始CSV表作为知识库索引，实现基于向量检索的医生回答召回。

背景与挑战

背景概述

在自然语言处理与智慧医疗交叉领域，医患对话数据的稀缺性长期制约着医学对话系统的发展。Chinese-medical-dialogue数据集应运而生，该数据集由研究人员于近年基于公开的医患交流平台清洗构建，包含近80万条单轮医患问答对，覆盖心血管科、内分泌科等多科室。其核心研究问题在于为中文医疗场景下的对话生成与信息检索提供大规模、高质量的监督训练数据，推动智能问诊与健康咨询系统的落地。该数据集的出现填补了中文医学对话领域的数据空白，成为相关模型预训练与微调的重要基准资源，在医疗NLP研究社群中产生了广泛影响。

当前挑战

该数据集所应对的领域挑战在于医患对话中存在的非结构化表达、术语歧义及隐含临床逻辑，例如患者主诉常混杂主观感受与症状描述，模型需准确识别疾病实体并生成可信回答。构建过程中面临的数据挑战则包括原始语料噪声（如错别字、口语化表述）、科室分布不均衡以及隐私敏感信息脱敏处理。此外，单轮对话形式限制了历史上下文利用，难以建模连续病情演变，且诊断建议的准确性缺乏金标准验证，增加了模型过拟合风险。这些挑战共同指向如何构建鲁棒且可信的医疗对话系统。

常用场景

经典使用场景

在智能医疗领域的探索中，中文医患对话数据集（Chinese-medical-dialogue）以其包含近八十万条单轮对话记录的庞大规模，成为构建与评估医疗问答系统的基石。研究者们常将其用于训练序列到序列模型或基于Transformer的预训练语言模型，以实现对患者提问的自动理解和专业应答生成。该数据集覆盖心血管科、内分泌科等多科室的典型病症，从病因咨询到用药指导，为模型提供了丰富的上下文知识。通过在对话历史中嵌入病情描述和专业解答，模型得以学习医患沟通中的关键语义映射关系，最终在包括医学文本生成、诊断建议推送等经典任务中展现出卓越的泛化能力。

衍生相关工作

围绕该数据集，学界衍生出一系列具有影响力的工作。例如，有研究团队基于其构建了多轮对话的检索增强生成框架，通过引入外部医学知识库对数据中的答案进行实体链接与逻辑校验，显著降低了错误信息的传播风险。另有一些工作则聚焦于跨领域迁移学习，利用该数据集作为源域，结合微调策略使得预训练模型在儿科、肿瘤科等新科室也能保持优异的问答表现。此外，针对数据集中存在的长短尾回答分布不均问题，学者们开发了基于对比学习的重排序算法，提升了模型对罕见病症描述的响应质量。这些衍生工作共同拓展了中文临床对话研究的边界，并为医疗AI的安全落地提供了方法论支撑。

数据集最近研究

最新研究方向

在智慧医疗与大语言模型浪潮的交汇处，Chinese-medical-dialogue数据集以其近80万条单轮医患对话的规模，成为驱动中文医疗领域对话生成与知识检索的前沿基石。该数据集覆盖心血管科、内分泌科等核心科室，蕴含真实的问诊语境与专业应答逻辑，目前被广泛用于指令微调与领域适配研究，尤其在探索少样本学习与多轮对话衍生能力方面展现出显著潜力。紧密关联着医疗AI从通用回答向专科化、可解释性诊断辅助的演进热点，该资源为构建能理解患者主诉并输出循证建议的智能体提供了关键语料支撑，推动着跨学科临床知识图谱的融合与隐私合规下的数据价值释放。